Google Gemini 2.5 praktisch für Computer-Vision-Aufgaben einsetzen

Die Entwicklung im Bereich AI schreitet rasant voran, und fast täglich sorgen neue Innovationen für Schlagzeilen. Ein solcher Durchbruch ist Gemini 2.5, ein multimodales Modell von Google DeepMind, das am 26. März 2025 vorgestellt wurde. Herkömmliche Large Language Models (LLMs) können zwar anhand riesiger Datenmengen menschenähnliche Texte erzeugen, doch Gemini 2.5 kann noch mehr.

Das Modell ist als „Denkmodell“ konzipiert und kann Bilder, Audio und Video verarbeiten. Es verfügt über verbesserte Fähigkeiten zum Schlussfolgern und Programmieren. Interessanterweise schneidet es auch bei Computer-Vision-Aufgaben gut ab. Dabei interpretieren und analysieren Maschinen visuelle Daten, etwa bei der Objekterkennung, der Bildbeschreibung und der optischen Zeichenerkennung (OCR).

Abb. 1. Ein Beispiel dafür, wie Gemini 2.5 zum Verstehen des Inhalts eines Bildes eingesetzt wird.

In diesem Artikel stellen wir eines der Notebooks von Ultralytics vor, mit dem du die Computer-Vision-Fähigkeiten von Gemini 2.5 praktisch ausprobieren kannst. Außerdem werfen wir einen genaueren Blick auf die wichtigsten Funktionen von Gemini 2.5 und zeigen, wie sich damit Computer-Vision-Lösungen für reale Anwendungen entwickeln lassen.

Überblick über Gemini 2.5: Funktionen und Fähigkeiten#

Die erste veröffentlichte Version der Modellreihe Gemini 2.5 war eine experimentelle Version von Gemini 2.5 Pro. Sie ist darauf ausgelegt, komplexe Probleme zu lösen, indem sie ihre Antworten vor der Ausgabe sorgfältig durchdenkt. Dazu nutzt sie Methoden wie bestärkendes Lernen (bei dem das Modell anhand von Feedback lernt) und Chain-of-Thought-Prompting (einen schrittweisen Ansatz zur Problemlösung).

Zu den wichtigsten Funktionen gehört das riesige Kontextfenster, das 1 Million Token (ungefähr eine Million Wörter oder Wortbestandteile) aufnehmen kann und voraussichtlich auf 2 Millionen erweitert wird. Dadurch kann das Modell viele Informationen auf einmal verarbeiten und genauere, detailliertere Ergebnisse liefern.

Neben der Sprachverarbeitung lässt sich Gemini 2.5 für folgende Computer-Vision-Aufgaben einsetzen:

• Objekterkennung: Dabei werden Objekte in einem Bild erkannt und lokalisiert. Sie lässt sich beispielsweise für Überwachungssysteme oder selbstfahrende Autos einsetzen.
• Bildbeschreibung: Bei dieser Aufgabe wird zu einem Bild ein beschreibender Text erstellt. Dadurch werden visuelle Inhalte zugänglicher und leichter verständlich.
• Optische Zeichenerkennung: Diese Technologie wandelt Text in Bildern in bearbeitbaren, maschinenlesbaren Text um. Sie ist nützlich, um Dokumente zu digitalisieren und die Dateneingabe zu automatisieren.

Benchmarking und Vergleich von Google Gemini 2.5 mit anderen Modellen#

Im Bereich der KI gibt es heute mehrere multimodale Modelle. Daher ist es wichtig zu verstehen, wie Gemini 2.5 Pro im Vergleich abschneidet. Den von Google DeepMind veröffentlichten Benchmark-Ergebnissen zufolge erzielt Gemini 2.5 Pro bei einer Reihe von Aufgaben beeindruckende Leistungen.

Bei einem Test namens Humanity’s Last Exam, der eine anspruchsvolle Prüfung mit vielen Themenbereichen simuliert und fortgeschrittenes Schlussfolgern sowie Allgemeinwissen testet, erreicht Gemini 2.5 Pro beispielsweise etwa 18,8 % und übertrifft damit Modelle wie OpenAI’s o3-mini, das rund 14 % erzielt.

Abb. 2. Überblick über die Benchmark-Leistung von Gemini 2.5 Pro.

Auch bei Mathematik- und Programmieraufgaben schneidet es sehr gut ab und erreicht häufig die Leistung von Modellen wie GPT-4.5 von OpenAI, Claude 3.7 Sonnet, Grok 3 Beta und DeepSeek R1 oder übertrifft sie. Das zeigt, dass es komplexe Aufgaben bewältigen und große Datenmengen verarbeiten kann. Bei der Objekterkennung werden neuere Gemini-Modelle wie Gemini 4 Argon und Gemini 3.8 Flash auf der VLM Leaderboard mit anderen multimodalen Modellen verglichen.

Gemini 2.5 praktisch kennenlernen: So verwendest du die Google Gemini API#

Gemini 2.5 Pro ist auf mehreren Plattformen verfügbar. Du kannst das Modell in Google AI Studio ausprobieren und als Nutzer von Gemini Advanced über die Gemini-App darauf zugreifen. In der Ankündigung zur Einführung erwähnte Google DeepMind außerdem, dass das Modell auf Vertex AI unterstützt werden soll. Über diese Zugänge können Entwickler Gemini 2.5 Pro einfach für praktische AI-Anwendungen nutzen.

Wenn du jedoch die Google Gemini API verwenden und ohne komplizierte Einrichtung in wenigen Minuten loslegen möchtest und die Computer-Vision-Funktionen des Modells besser kennenlernen willst, kannst du dir das Ultralytics-Notebook ansehen. Es zeigt Aufgaben wie Objekterkennung und Bildbeschreibung mit Gemini 2.5 Pro. Sehen wir uns im Detail an, was dich im Notebook erwartet.

Inferenz mit dem Google-Gemini-2.5-Notebook einrichten#

Um mit dem Ultralytics-Notebook loszulegen und Google Gemini 2.5 zu verwenden, musst du zunächst über Google AI Studio einen API-Schlüssel erstellen. Mit diesem Schlüssel erhältst du Zugriff auf die Gemini API und kannst das Modell verwenden.

Sobald du deinen API-Schlüssel hast, stelle sicher, dass die erforderlichen Bibliotheken in deiner Umgebung installiert sind – darunter Pakete von Ultralytics und Googles KI-Werkzeugsammlung. Dieser Schritt wird im Notebook klar beschrieben, sodass du den Anweisungen ganz einfach folgen und deinen Arbeitsbereich einrichten kannst.

Sobald alles eingerichtet ist, kannst du dich mit der Gemini API verbinden, indem du deinen API-Schlüssel eingibst (wie unten gezeigt). Dadurch wird eine Verbindung zwischen deinem Arbeitsbereich und dem Modell hergestellt. Danach kannst du Bilder und Text-Prompts an Gemini 2.5 senden.

Im Grunde kannst du dem Modell ein Bild und eine einfache Anweisung geben (etwa „Erkenne Objekte in diesem Bild“ oder „Beschreibe, was du siehst“), und es liefert dir die gewünschten Ergebnisse. Dank dieses unkomplizierten Ablaufs kannst du die Computer-Vision-Funktionen von Gemini 2.5 ganz einfach erkunden.

Objekterkennung mit Google Gemini 2.5#

Eines der wichtigsten Beispiele im Notebook ist die Objekterkennung mit Gemini 2.5 Pro. Dabei gibst du dem Modell ein Bild und einen einfachen Prompt, mit dem es Objekte erkennen soll.

Das Modell verarbeitet das Bild und gibt für jedes erkannte Objekt Koordinaten und Bezeichnungen zurück; die Koordinaten sind normalisiert. Anschließend werden Funktionen aus dem Ultralytics-Python-Paket verwendet, um diese normalisierten Werte an die tatsächlichen Bildabmessungen anzupassen und wie unten gezeigt klare Begrenzungsrahmen um jedes Objekt zu zeichnen.

Abb. 3. Google Gemini 2.5 für die Objekterkennung verwenden.

Bildbeschreibung mit Gemini 2.5#

Ein weiteres interessantes Beispiel im Notebook ist die Bildbeschreibung mit Gemini 2.5 Pro. Dabei gibst du dem Modell ein Bild und einen Prompt, in dem du es bittest, eine ausführliche Beschreibung des Bildinhalts zu erstellen.

Das Modell analysiert dann den visuellen Inhalt und gibt eine Beschreibung zurück, die häufig aus mehreren Sätzen besteht und sowohl den Inhalt als auch den Kontext des Bildes erfasst. Diese Funktion ist nützlich, um die Barrierefreiheit zu verbessern, visuelle Informationen zusammenzufassen und sogar kreatives Erzählen zu bereichern.

OCR-Genauigkeit mit Google-Gemini-Modellen verbessern#

Eine Computer-Vision-Aufgabe, bei der Gemini 2.5 Pro seine Fähigkeit zum Lesen von Text in Bildern unter Beweis stellt, ist OCR. Im Notebook kannst du dem Modell ein Bild mit Text und einen Prompt zum Extrahieren dieses Textes geben. Das Modell verarbeitet das Bild und gibt den erkannten Text sowie die Koordinaten seiner Position zurück, wie unten gezeigt.

Anschließend werden Funktionen aus dem Ultralytics-Python-Paket verwendet, um diese normalisierten Koordinaten an die tatsächlichen Bildabmessungen anzupassen und Begrenzungsrahmen um die Textbereiche zu zeichnen. Diese annotierte Ausgabe zeigt deutlich, wo sich der Text befindet. Das ist nützlich, um Dokumente zu digitalisieren, die Dateneingabe zu automatisieren und die Barrierefreiheit zu verbessern.

Abb. 4. Textdaten in einem Bild mit Google Gemini 2.5 extrahieren.

Praxisanwendungen von Google Gemini 2.5#

Nachdem wir uns angesehen haben, wie Google Gemini 2.5 Pro für verschiedene Computer-Vision-Aufgaben eingesetzt werden kann, wollen wir nun einige Praxisanwendungen betrachten, für die sich diese Funktionen nutzen lassen.

Die Objekterkennung von Gemini 2.5 Pro kann beispielsweise dabei helfen, große Bildersammlungen automatisch zu beschriften und zu ordnen. Dadurch gehen Aufgaben wie die Erstellung eines Datensatzes oder die Inhaltsverwaltung viel schneller. Das Modell kann auch Bilder in Bereichen wie Einzelhandel und Landwirtschaft analysieren, zum Beispiel Produkte in Regalen erkennen oder Anzeichen von Pflanzenstress auf Feldfotos identifizieren.

Abb. 5. Gemini 2.5 Pro analysiert den Gesundheitszustand einer Pflanze.

Die Bildbeschreibungsfunktion des Modells kann Menschen mit Sehbehinderung dabei helfen, den Inhalt eines Bildes zu verstehen. Bei einem Foto einer belebten Straße könnte das Modell beispielsweise eine ausführliche Beschreibung der Szene erstellen und dabei die Fahrzeugtypen, die Aktivitäten der Fußgänger und anhand der Lichtverhältnisse sogar die Tageszeit nennen.

Darüber hinaus lässt sich die OCR-Funktion von Gemini 2.5 in vielen Anwendungsbereichen einsetzen. Du kannst beispielsweise gedruckte Dokumente digitalisieren, indem du Seiten oder Belege scannst. Diese Funktion eignet sich ideal, um die Dateneingabe zu automatisieren, Formulare zu verarbeiten oder sogar Text auf Visitenkarten und Schildern zu lesen.

Insgesamt eröffnet Google Gemini 2.5 Pro vielfältige Möglichkeiten für praktische KI-Anwendungen.

Die wichtigsten Erkenntnisse#

Google Gemini 2.5 Pro kann nicht nur Texte generieren und analysieren, sondern auch für Computer-Vision-Aufgaben wie Objekterkennung, Bildbeschreibung und OCR eingesetzt werden. Dank seines riesigen Kontextfensters und seiner verbesserten Schlussfolgerungsfähigkeiten liefert das Modell detaillierte, kontextbezogene Ergebnisse, die sich gut für den praktischen Einsatz eignen.

Während sich KI-Modelle stetig weiterentwickeln, erleichtern Werkzeuge wie Gemini 2.5 Pro die Lösung komplexer Probleme in verschiedensten Branchen. Die Nutzung von KI dürfte noch weiter zunehmen, da immer mehr Unternehmen nach flexiblen multimodalen Lösungen suchen, die ein breites Aufgabenspektrum bewältigen können – vom visuellen Verstehen bis zur Sprachverarbeitung.

Werde Teil unserer Community und entdecke AI-Projekte in unserem GitHub-Repository. Erfahre auf unseren Lösungsseiten mehr über die Anwendungen von Vision AI in der Landwirtschaft und die Rolle von AI in der Fertigung. Sieh dir unsere Lizenzpläne an und entwickle noch heute Computer-Vision-Lösungen!